Regularizált félig felügyelt tanulás
A regularizált félig felügyelt tanulás explicit geometriai vagy gráfról alapuló büntetőtagokat ad egy félig felügyelt célfüggvényhez, hogy a döntési függvény simán változzon az adatok sokaságán. A sokaság-regularizáció (Belkin, Niyogi & Sindhwani, 2006) úttörő munkája révén kihasználja mind a címkézett, mind a címkézetlen példák szerkezetét, hogy pontosabb modelleket tanuljon, mint a pusztán felügyelt regularizáció, amikor a címkézett adatok szűkösek.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/hu/machine-learning/regularized-semi-supervised-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Gauss-folyamatGépi tanulás↔ compare
- CímkepropagációGépi tanulás↔ compare
- Regularizált logisztikus regresszióGépi tanulás↔ compare
- Regularized Random ForestGépi tanulás↔ compare
- Önfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →